一种基于CO在线检测的锅炉优化方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111401652A(43)申请公布日2020.07.10(21)申请号202010214224.8G06N3/08(2006.01)(22)申请日2020.03.24(71)申请人汉谷云智（武汉）科技有限公司地址430070湖北省武汉市洪山区书城路56号昊天大厦7楼(72)发明人鄢烈祥裴彬周力刘立柱彭愿梁矩亮(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222代理人齐晨涵(51)Int.Cl.G06Q10/04(2012.01)G06Q10/06(2012.01)G06Q50/06(2012.01)F23N5/00(2006.01)权利要求书4页说明书9页附图1页(54)发明名称一种基于CO在线检测的锅炉优化方法及系统(57)摘要本发明公开了一种基于CO在线检测的锅炉优化方法及系统，运用大数据及智能优化算法，建立了CO浓度与锅炉热效率之间的数理模型，通过控制炉膛内CO的浓度来控制锅炉效率，并运用关联规则、BP神经网络等算法进行优化计算，得到最佳的锅炉操作方案，从而实现锅炉的实时闭环优化。CN111401652ACN111401652A权利要求书1/4页1.一种基于CO在线检测的锅炉优化方法，其特征在于，包括以下步骤：采集数据：采集锅炉主要运行数据与CO在线检测数据按指定格式存入数据库；数据预处理：1)剔除锅炉系统运行数据中的异常数据；2)进行锅炉稳态分析，剔除锅炉非稳态运行的异常数据；3)运用相关系数法对各操作变量与锅炉效率进行相关性分析，并按相关性强弱进行排序，保留相关性强的主要操作变量；数理模型建立：运用BP神经网络对锅炉稳态运行数据进行挖掘，分别建立CO浓度与锅炉效率、CO浓度与NOx浓度之间的数理模型；优化模型与计算：根据CO浓度与锅炉效率及NOx浓度之间的数理模型，建立锅炉系统优化模型；并将多目标优化问题转化为单目标优化问题，计算得到最佳CO浓度；并运用关联规则算法进行实时优化计算，获取最佳的锅炉运行操作方案。2.根据权利要求1所述的基于CO在线检测的锅炉优化方法，其特征在于：以“锅炉主蒸汽流量”为衡量锅炉运行状态的标准，锅炉稳态分析采用滑动窗口法，即从数据的开始时间位置往后取一段时间内的运行数据作为一个窗口，计算窗口内数据的波动情况，若“锅炉主蒸汽流量”波动较大，则认为窗口内数据处于非稳态，不保留数据；否则数据处于稳态，保留数据；以此流程从开始时间点滑动到结束时间点，得到所有的锅炉稳态数据；计算公式如下：式中：t表示开始时间；N表示滑动窗口的宽度；表示从t到t+N-1之间的均值；xt表示第t个工况的值；λ为主蒸汽流量波动范围。3.根据权利要求1所述的基于CO在线检测的锅炉优化方法，其特征在于：相关性分析的具体过程如下：相关系数的计算公式：其中rxy表示样本相关系数，Sxy表示样本协方差，Sx表示X的样本标准差，Sy表示y的样本标准差；其中：Sxy样本协方差计算公式：Sx样本标准差计算公式：Sy样本标准差计算公式：2CN111401652A权利要求书2/4页由于是样本协方差和样本标准差，因此分母使用的是n-1。4.根据权利要求1所述的基于CO在线检测的锅炉优化方法，其特征在于：CO浓度与锅炉效率的数理模型的建立具体如下：第一步，网络初始化给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数M；第二步，随机选取第k个输入样本及对应期望输出x(k)＝(x1(k)，x2(k)，…xn(k))do(k)＝(d1(k)，d2(k)，…dq(k))第三步，计算隐含层各神经元的输入和输出，第j个神经元的输入值Sj和输出值yj为：其中，xi表示来自神经元i的输入；wji表示神经元i与第j个神经元的连接强度，即权值；yj为第j个神经元的输出；第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)；第五步，利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)；第六步，利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k)；第七步，利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权：第八步，计算全局误差第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习，从而得到CO浓度与锅炉效率之间的数理模型。5.根据权利要求1所述的基于CO在线检测的锅炉优化方法，其特征在于：所述优化模型的1)优化目标：在满足产汽量需求时，控制合适的CO浓度，使锅炉的总耗煤量最小，使NOx浓度较低